Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Phase Space Foundations for Scientific Machine Learning

Projektbeschreibung

Interpretierbare KI im Phasenraum

Das maschinelle Lernen in der Wissenschaft vollzieht einen rasanten Wandel von interpretierbaren physikalischen Modellen hin zu hochparametrisierten neuronalen Netzen, so dass sich die Frage stellt, welche Erkenntnisse aus Daten im Vergleich zu der zugrunde liegenden Physik gewonnen werden. Das ERC-finanzierte Projekt PhaseShift schließt diese Lücke, indem es eine theoretische Grundlage für skalierbares, interpretierbares wissenschaftliches maschinelles Lernen entwickelt, das auf Hamiltonschen Phasenräumen und mikrolokaler Analyse basiert. Es entwickelt Operatoren unter Nutzung der universellen Lokalität im Phasenraum, um die Probeneffizienz und -stabilität zu verbessern. Es werden ferner kinetische Phasenraum-Surrogatmodelle eingeführt, die über traditionelle Ansätze auf Basis partieller Differentialgleichungen hinausgehen. Das Projekt untersucht außerdem Skaleninteraktionen und induktive Verzerrungen in Bezug auf das Lernen physikalischer Systeme und multivariater Zeitreihendynamiken. Zu den Anwendungsgebieten zählen unter anderem die Kryo-Elektronen-Tomographie, seismische Signalmodellierung und geophysikalische Vorhersage von granularem Fließen für Fortschritte in der Bildgebung und den Geowissenschaften.

Ziel

Science and engineering have long relied on interpretable, parsimonious models of signals and systems. Today there is a shift to highly-parameterized neural networks trained on massive datasets. This often makes it hard to understand what is taken from physics and what from data, and what mechanisms determine when the methods succeed or fail. There is a need for solid foundations for scalable and interpretable scientific machine learning. A key idea is to work in phase spaces inspired by Hamilton’s and Boltzmann’s formalisms. Phase spaces lift problems into higher-dimensional representations but in return render descriptions of a broad range of phenomena simple and interpretable. They reveal the universal local structure which is key for efficient computation, learning, and interpretability. In PhaseShift, we will: - Develop theory and designs for operators that leverage the universal Hamiltonian structure underlying applications from tomography to fluid flows, as described by microlocal analysis. We will prove that phase-space locality significantly improves sample efficiency and Lipschitz stability over existing networks. - Introduce a new generation of interpretable surrogate models built on discrete kinetic phase spaces, going well beyond PDE-based physics to phenomena like granular flows where classic PDEs do not suffice. We will also adapt kinetic theory principles to model general multivariate time series - Study of the role of scale interactions in both data and physics, and the related inductive biases for learning physics. In parallel, we will apply the developed tools to outstanding challenges in imaging and Earth science: end-to-end learning for cryoelectron tomography to visualize cells at near-atomic resolution, kinetic modeling of multistation seismic signals, and learning the dynamics of geophysical granular flows.

Wissenschaftliches Gebiet (EuroSciVoc)

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-ERC - HORIZON ERC Grants

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) ERC-2025-COG

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Gastgebende Einrichtung

UNIVERSITAT BASEL
Netto-EU-Beitrag
€ 1 995 957,00
Adresse
PETERSPLATZ 1
4051 Basel
Schweiz
Region
Schweiz/Suisse/Svizzera Nordwestschweiz Basel-Stadt
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
€ 1 995 957,00

Begünstigte (1)